Технические науки

РАЗРАБОТКА АЛГОРИТМА ПРОГНОЗИРОВАНИЯ ПРОИЗВОДИТЕЛЬНОСТИ ОБЛАЧНЫХ СЕРВИСОВ DEVELOPMENT OF THE ALGORITHM FOR CLOUD SERVICE PERFORMANCE PREDICTION

Babkin O.V., Varlamov A.А., Gorshunov R.А.), Dos E.V., Kropachev A.V., Zuev D.О.

Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Babkin Oleg Vyacheslavovich - Strategy Consultant,

IBM;

Varlamov Aleksandr Aleksandrovich – Technical Director

SHARXDC LLC,

MOSCOW;

Gorshunov Roman Aleksandrovich - Solution Architect,

AT&T, BRATISLAVA, SLOVAKIA;

Dos Evgenii Vladimirovich - Lead DevOps Architect,

EPAM, MINSK, REPUBLIC OF BELARUS;

Kropachev Artemii Vasilyevich - Principal Architect,

LI9 TECHNOLOGY SOLUTIONS, NORTH CAROLINA;

Zuev Denis Olegovich - Independent Consultant,

NEW JERSEY,

UNITED STATES OF AMERICA

Abstract: main stages of data center service performance prediction were discussed, specifically data monitoring and gathering, calculation and prediction of key indexes and performance index prediction. It was proposed to build data center service performance prediction algorithm based on analysis of service transactions index, service resource occupancy index and service performance index. Prediction of the indexes is based on chaotic time series analysis that was used to estimate service transactions index time series trend, radar chart method to calculate service resource occupancy index value and weighted average method to calculate service performance index. For performance prediction is proposed to use fuzzy judgment matrix with service transactions index and service resource occupancy index as input values. Next stages include definition of fuzzy closeness degree and estimation the best matching value of the indexes at the predicted moment by similarity matching algorithm. It was taken into consideration that service transactions index is usually represented by nonlinear time series and thus the index time series parameters have to be predicted by chaos theory and for the calculation of this index can be used estimation procedure of Lyapunov exponent value. Radar chart demonstrates service resource occupancy index estimation of shared storage, mobile storage, memory, computational capability and network bandwidth. It was noticed that for calculation of service performance index values’ dataset it is necessary to find nearness degree of service transactions index and service resource occupancy index it is proposed to estimate first membership degree as a parameter of membership function. Therefore, prediction technique was based on the fuzzy nearness category that use input values of service transactions index and service resource occupancy index dynamic changes which have to be considered as a real time process.

Keywords: data center, service transactions index, service resource occupancy index, service performance index. fuzzy judgment matrix, Lyapunov exponent, radar chart.

Бабкин О.В., Варламов А.А., Горшунов Р.А., Дос Е.В., Кропачев А.В., Зуев Д.О.

Бабкин Олег Вячеславович - стратегический консультант,

IBM;

Варламов Александр Александрович – технический директор,

ООО "Шаркс Датацентр",

г. Москва;

Горшунов Роман Александрович - архитектор решений,

AT&T, г. Братислава, Словакия;

Дос Евгений Владимирович - ведущий DevOps архитектор,

EPAM, г. Минск, Республика Беларусь;

Кропачев Артемий Васильевич - главный ИТ архитектор,

Li9 Technology Solutions, г. Северная Каролина;

Зуев Денис Олегович – независимый международный эксперт, г. Нью Джерси,

Соединенные Штаты Америки

Аннотация: проведен анализ основных этапов прогнозирования эффективности обслуживания центров обработки данных, в частности мониторинга и сбора данных, расчета и прогнозирования ключевых аспектов, и прогнозирование коэффициента производительности. Было предложено построить алгоритм прогнозирования эффективности обслуживания центра обработки данных на основе анализа коэффициента транзакции, коэффициента использования машинных ресурсов и коэффициента производительности сервиса. Прогнозирование коэффициентов основано на анализе временных рядов, который использовался для оценки временных рядов коэффициента транзакций, метода радар-диаграммы для расчета значения коэффициента использования машинных ресурсов и средневзвешенного метода оценки для расчета коэффициента производительности сервиса. Для прогнозирования производительности предлагается использовать матрицу нечетких суждений с коэффициентом транзакций и коэффициентом занятости ресурса службы в качестве входных значений. Следующие этапы включают определение степени нечеткой близости и алгоритма соответствия подобия. Было указано, что коэффициент служебных операций обычно представлен нелинейными временными рядами, и, следовательно, параметры временного ряда коэффициента должны быть предсказаны теорией хаоса, а значит для расчета этого коэффициента может быть использована процедура расчета экспоненты Ляпунова. Радарная диаграмма демонстрирует оценку коэффициента использования машинных ресурсов для общего хранилища данных, мобильных хранилищ, памяти, вычислительных возможностей и пропускной способности сети. Метод прогнозирования основывался на категории нечетких приближений, которые используют входные значения коэффициента транзакций и динамические изменения коэффициента использования машинных ресурсов, которые должны рассматриваться в рамках процесса, который анализируется в режиме реального времени.

Ключевые слова: центр обработки данных, коэффициента транзакции, коэффициента использования машинных ресурсов, коэффициента производительности сервиса, матрица нечетких суждений, экспонента Ляпунова, радарная диаграмма.

References / Список литературы

1. Wu C. & Guo J., Software Monitoring in Data Centers. Handbook on Data Centers. 1209-1253.
2. Newcombe L., Data Center Financial Analysis, ROI and TCO. Data Center Handbook. 103-137.
3. Román-Flores H. & Ayala V., 2018. Chaos on Set-Valued Dynamics and Control Sets. Chaos Theory.
4. Tang R., Fong S. & Dey N., Metaheuristics and Chaos Theory. Chaos Theory.
5. Hongliang L., Anxin L., Bin Z., Tiefu Z. & Xin Z., A Fuzzy Comprehensive Evaluation Method of Maintenance Quality Based on Improved Radar Chart, 2008 ISECS International Colloquium on Computing, Communication, Control, and Management.
6. Shi J., Liu Y. & Zhou W., The domain decomposition method based on weighted average. 2011 IEEE International Conference on Computer Science and Automation Engineering.
7. Harris J., An introduction to fuzzy logic applications. Dordrecht: Kluwer Academic.
8. Anderson M., Fuzzy logic. Parkdale, OR: Black Opal Books.
9. Dimitrov V. & Korotkich V., Fuzzy logic: A framework for the new millennium. Heidelberg: Physica.

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Ссылка для цитирования. Бабкин О.В., Варламов А.А., Горшунов Р.А., Дос Е.В., Кропачев А.В., Зуев Д.О.РАЗРАБОТКА АЛГОРИТМА ПРОГНОЗИРОВАНИЯ ПРОИЗВОДИТЕЛЬНОСТИ ОБЛАЧНЫХ СЕРВИСОВ [DEVELOPMENT OF THE ALGORITHM FOR CLOUD SERVICE PERFORMANCE PREDICTION] // XLIX International Scientific Review of the Problems and Prospects of Modern Science and Education Свободное цитирование при указании авторства: https://scientific-conference.com/grafik/2018-vtoroe polugodie.html( Boston, USA - 25 September, 2018). с. {см. сборник}

Поделитесь данной статьей, повысьте свой научный статус в социальных сетях